¿Es real o es ruido?

Hola! Bienvenida al libro 🌸

Voy a empezar contándote una reunión que he visto muchísimas veces, en empresas grandes y chicas, y que siempre termina igual.

Alguien proyecta una lámina: "las ventas subieron 3% este mes". Y ahí arranca la hora. Que si fue la campaña, que si el nuevo vendedor, que si el clima. Se reparten felicitaciones, se decide repetir lo que sea que se hizo, y se agenda un seguimiento.

Nadie hace la única pregunta que había que hacer: ¿cuánto se mueven las ventas normalmente?

Porque si las ventas se mueven 14% de un mes a otro sin que pase nada, ese 3% no es un logro. Es el ruido de siempre disfrazado de noticia. Y la reunión entera, con las seis personas que estaban dentro, se acaba de ir a la basura 🗑️

Eso es la estadística. No es la fórmula de la desviación estándar ni la tabla de la campana. Es esta pregunta:

¿Esta diferencia que estoy viendo es real, o es lo que varía normalmente?

Todo lo demás del libro son herramientas para contestarla.

Vamos a medirlo con datos de verdad

No te voy a pedir que me creas. Vamos a medir cuánto se mueven unas ventas reales, y de ahí sale si el 3% era noticia o no.

Trabajamos con el mismo archivo de todos los libros: las ventas de una distribuidora peruana, con la suciedad puesta a propósito porque es la que te vas a encontrar 🧹

import pandas as pd

URL = 'https://missyera.com/static/datasets/ventas-miss-yera.csv'

v = pd.read_csv(URL)
print(v.shape)
print(v[['fecha', 'monto']].head(3))

(3037, 14)
        fecha   monto
0  2025-06-05  480.37
1  2026-01-05  524.90
2  2026-04-29  154.83

3.037 ventas y 14 columnas. Se ve bien, ¿no? Pues mira lo que pasa cuando intento sacar el mes de cada venta.

El primer golpe

v['fecha'].dt.month

AttributeError: Can only use .dt accessor with datetimelike values

Tranqui, no rompiste nada 🙂 pandas te está diciendo algo importante: fecha no es una fecha. Es texto que parece fecha.

El accesorio .dt (de datetime) es el que da acceso a año, mes, día y día de la semana. Solo funciona sobre columnas que pandas sabe que son fechas, y aquí leyó el CSV y lo dejó todo como texto porque nadie le dijo lo contrario.

Lo mismo pasa con monto. Así que antes de calcular nada, se convierte:

v['monto'] = pd.to_numeric(v['monto'].str.replace(',', '.'))

iso = pd.to_datetime(v['fecha'], format='%Y-%m-%d', errors='coerce')
resto = iso.isna()
iso[resto] = pd.to_datetime(v.loc[resto, 'fecha'], format='%d/%m/%Y')
v['fecha'] = iso

print(v['fecha'].min().date(), v['fecha'].max().date())

2025-01-01 2026-06-24

Un año y medio de ventas, del 1 de enero de 2025 al 24 de junio de 2026.

Eso de convertir en dos pasos es porque el archivo trae las fechas escritas de dos formas distintas, y lo vemos con calma en el capítulo 2. Por ahora quédate con que ya son fechas de verdad.

Cuánto se mueven las ventas

Ahora sí. Sumo lo vendido por mes:

mes = v.groupby(v['fecha'].dt.to_period('M'))['monto'].sum()
print(mes.round(0).head(6))
print('meses:', len(mes))

fecha
2025-01    128800.0
2025-02    132632.0
2025-03    140994.0
2025-04    115595.0
2025-05    161049.0
2025-06    139212.0
Freq: M, Name: monto, dtype: float64
meses: 18

Y ahora la parte que importa: cuánto cambia cada mes respecto al anterior. pct_change() hace exactamente eso 📈

cambio = (mes.pct_change() * 100).dropna()
print(cambio.round(1).head(8))

fecha
2025-02     3.0
2025-03     6.3
2025-04   -18.0
2025-05    39.3
2025-06   -13.6
2025-07     3.3
2025-08   -14.7
2025-09    16.0
Freq: M, Name: monto, dtype: float64

Mírala bien un segundo, porque esta tabla ya contesta la pregunta de la reunión.

Febrero subió 3,0%. Ese es exactamente el número de la lámina. Y ahora mira los que vienen: abril bajó 18%, mayo subió 39%, agosto bajó 14,7%.

El 3% de febrero, al lado de eso, no se distingue de nada.

El número que había que llevar a la reunión

print('media del cambio:      %.2f%%' % cambio.mean())
print('media en valor absoluto: %.2f%%' % cambio.abs().mean())
print('el peor mes:           %.2f%%' % cambio.min())
print('el mejor mes:          %.2f%%' % cambio.max())
print('meses que se movieron menos de 3%%: %d de %d'
      % ((cambio.abs() < 3).sum(), len(cambio)))

media del cambio:      0.44%
media en valor absoluto: 14.41%
el peor mes:           -32.36%
el mejor mes:          39.32%
meses que se movieron menos de 3%: 3 de 17

Ahí está, y son cuatro líneas 👇

• 📊 El mes promedio se mueve 14,41% respecto al anterior. En valor absoluto, o sea sin importar si sube o baja.
• ⚖️ La media del cambio con signo es 0,44%. O sea que a lo largo del año y medio las subidas y las bajadas casi se cancelan: el negocio no está creciendo ni cayendo, está oscilando.
• 🎢 El rango va de -32,36% a +39,32%.
• 🎯 Solo 3 meses de 17 se movieron menos de 3%.

Un 3% en este negocio es de los meses más planos que existen. Es literalmente lo contrario de una noticia.

Fíjate en lo poco que hizo falta: agrupar por mes, sacar el cambio porcentual y mirar la media del valor absoluto. Eso ya salva una hora de reunión, y no hemos usado ni una fórmula todavía 💪

El atajo que se inventa medio año

Ahora te voy a enseñar el error, porque este me pareció grave de verdad cuando lo vi.

Convertir las fechas en dos pasos es feo. Y pandas ofrece un atajo precioso que se ve muchísimo por ahí: format='mixed' le dice "descúbrelo tú", y dayfirst=True le dice "en mi país el día va primero".

Parece exactamente lo que necesitamos. Míralo:

atajo = pd.to_datetime(pd.read_csv(URL)['fecha'], format='mixed', dayfirst=True)
print('meses con el atajo:', atajo.dt.to_period('M').nunique())
print('meses de verdad:   ', v['fecha'].dt.to_period('M').nunique())
print('fechas cambiadas:  ', (atajo != v['fecha']).sum())

meses con el atajo: 24
meses de verdad:    18
fechas cambiadas:   847

Léelo otra vez 😳

El atajo no dio error. No avisó. No puso un warning. Se llevó por delante 847 fechas y se inventó seis meses que no existen.

Lo que pasó es esto: dayfirst=True se aplica también a las fechas que ya venían bien escritas. Cuando le llega 2025-06-05, que es el 5 de junio, ve que el día cabe en el hueco del mes y lo cambia de sitio: te devuelve el 6 de mayo. Solo se salvan las fechas donde el día es 13 o más, porque ahí no hay confusión posible.

Y ahora piensa qué pasa con todo lo que hicimos antes. El análisis mensual, la estacionalidad, el "cuánto se mueve el negocio": todo calculado sobre meses inventados, sin un solo mensaje rojo en pantalla.

Los errores que no dan error son los que hacen daño. Los que te tiran el programa los arreglas y ya. Estos llegan a una diapositiva 📉

La forma de cazarlo es la de siempre: después de convertir fechas, mira el mínimo, el máximo y cuántos meses distintos hay. Si tu archivo cubre año y medio y salen 24 meses, algo se rompió.

Las dos mitades de la estadística

Con eso ya se entiende la división del libro, que es sencilla:

La descriptiva es honesta y aburrida: describe lo que tienes y no promete nada más. La inferencial es la que da miedo y la que se usa mal, porque es la que se atreve a decir "esto también pasa fuera de mi muestra".

Los capítulos 2 al 6 son descriptiva. Del 7 al 13, inferencia. Y el 14 son los errores que invalidan un análisis entero, que casi todos viven en la segunda mitad.

Señal y ruido, viéndolos de cerca

Antes de cerrar quiero que veas los dos con los ojos, porque una vez que los distingues ya no se te olvida.

La columna compro vale 1 si esa venta se cerró. Voy a mirar el porcentaje de cierre por ciudad:

print((v.groupby('ciudad')['compro'].mean() * 100).round(1))

ciudad
Arequipa    57.6
Chiclayo    57.0
Cusco       57.3
LIMA        60.0
Lima        61.0
Líma        55.1
Piura       57.1
Trujillo    59.4
lima        56.1
Name: compro, dtype: float64

Dos cosas 👀

La primera, que te habrá saltado a la cara: hay nueve ciudades donde debería haber seis. Lima está escrita de cuatro formas distintas y para pandas son cuatro ciudades diferentes. Eso lo limpiamos en el capítulo 2, y es el motivo por el que la limpieza va antes que la estadística: no hay medida que sobreviva a datos sucios.

La segunda, la que nos importa hoy: los números se parecen todos. Del 55,1% al 61,0%, y con las cuatro Limas mezcladas ahí dentro. Nada destaca.

Ahora mira lo mismo por segmento de cliente:

print((v.groupby('segmento')['compro'].mean() * 100).round(1))

segmento
Bodega        37.6
Horeca        63.2
Mayorista     72.3
Minimarket    56.9
Name: compro, dtype: float64

Esto ya es otra cosa 🔥

Una bodega cierra el 37,6% y un mayorista el 72,3%. Casi el doble. Eso no se parece en nada a lo de ciudad.

Eso es señal. Lo de ciudad es ruido. Y de momento lo estamos diciendo a ojo, que es exactamente lo que quiero que dejes de hacer: en el capítulo 11 le ponemos un número a cada uno y sale que la diferencia por ciudad tiene un valor p de 0,9813, o sea "no hay nada aquí", mientras que la de segmento sale con una probabilidad tan chica que hay que escribirla en notación científica.

Pero fíjate en lo importante: a ojo también se veía. Los métodos del libro no están para descubrir lo que salta a la vista, sino para los casos dudosos, que son casi todos.

Practica 💪

Los ejercicios son la mitad del libro. Intenta antes de abrir.

u = v.groupby(v['fecha'].dt.to_period('M'))['unidades'].sum()
cambio_u = (u.pct_change() * 100).dropna()
print('unidades, media absoluta: %.2f%%' % cambio_u.abs().mean())
print('monto, media absoluta:    %.2f%%' % cambio.abs().mean())

unidades, media absoluta: 9.55%
monto, media absoluta:    14.41%

print('peor:  ', cambio.idxmin(), '%.2f%%' % cambio.min())
print('mejor: ', cambio.idxmax(), '%.2f%%' % cambio.max())

peor:   2026-06 -32.36%
mejor:  2025-05 39.32%

completos = mes.iloc[:-1]
c2 = (completos.pct_change() * 100).dropna()
print('con el mes cojo:  %.2f%%' % cambio.abs().mean())
print('sin el mes cojo:  %.2f%%' % c2.abs().mean())
print('peor mes ahora:   %.2f%%' % c2.min())

con el mes cojo:  14.41%
sin el mes cojo:  13.29%
peor mes ahora:   -23.09%

import numpy as np

for umbral in [3, 10, 15, 20, 30]:
    cuantos = (cambio.abs() >= umbral).sum()
    print('%2d%% o mas: %2d de %d meses (%.0f%%)'
          % (umbral, cuantos, len(cambio), 100 * cuantos / len(cambio)))

 3% o mas: 14 de 17 meses (82%)
10% o mas:  9 de 17 meses (53%)
15% o mas:  7 de 17 meses (41%)
20% o mas:  5 de 17 meses (29%)
30% o mas:  3 de 17 meses (18%)

print('sep vs ago: %+.1f%%' % (100 * (mes['2025-09'] / mes['2025-08'] - 1)))
print('sep vs may: %+.1f%%' % (100 * (mes['2025-09'] / mes['2025-05'] - 1)))

sep vs ago: +16.0%
sep vs may: -11.6%

for col in ['canal', 'categoria']:
    tasa = (v.groupby(col)['compro'].mean() * 100).round(1)
    print(col, '-> de %.1f a %.1f  (brecha %.1f puntos)'
          % (tasa.min(), tasa.max(), tasa.max() - tasa.min()))
    print(tasa.to_string())
    print()

canal -> de 46.1 a 65.2  (brecha 19.1 puntos)
canal
Marketplace    46.1
Tienda         61.9
Web            58.3
WhatsApp       65.2

categoria -> de 55.8 a 59.0  (brecha 3.2 puntos)
categoria
Abarrotes           59.0
Bebidas             57.5
Cuidado personal    55.8
Limpieza            58.9
Snacks              57.4

Lo que te llevas

• ❓ La estadística contesta una sola pregunta: ¿es real o es ruido? Todo lo demás es herramienta.
• 📏 Antes de celebrar una diferencia, mide cuánto se mueven las cosas normalmente. Aquí el mes promedio se mueve 14,41%, así que un 3% es de los meses más planos que hay.
• 🕳️ Los errores que no dan error son los peores. El atajo dayfirst=True cambió 847 fechas e inventó seis meses sin avisar.
• 📅 El último periodo de una serie es sospechoso hasta que compruebes que está completo. Aquí junio tenía 24 días y fingía una caída del 32%.
• 🎯 Quien elige la base de comparación elige el titular. Se fija antes de mirar el resultado.
• ⚖️ Una diferencia solo significa algo junto a cuántos datos tienes. 3,2 puntos con 3.000 filas es ruido; con 300.000 sería señal.

Qué viene ahora

En el capítulo 2 arreglamos las cuatro Limas y ponemos cada columna en su tipo, que es lo que decide qué medidas puedes usar y cuáles no tienen sentido. Y sí, hay medidas que se calculan sin dar error y no significan absolutamente nada 🙃